本文主要介绍了如何利用深度学习和 CNN 模型处理领域泛化问题，建立起一个更加完整的基准测试数据集，并在其中进行了对比实验，证明了该方法的优越性以及提出的数据集的更高难度值。

Oct, 2017

该研究提出一种基于批标准化和集成模型的域泛化方法，以在不同和未知的领域中提高机器学习模型的鲁棒性和分类准确性。

Nov, 2020

该论文提出了一种基于元学习框架的新型记忆引导域泛化方法，该方法抽象了语义类别的概念知识，并通过训练多次来学习如何记忆无域和不同的类别信息，并提供外部固定的记忆作为类别指导，以减少任意未见域的测试数据中表示不确定性。通过语义分割的广泛实验，证明了我们的方法在各种基准上具有卓越的泛化能力。

Apr, 2022

通过训练模型产生图像素描，本文探究图像表示的特性，并表明其在 few-shot 学习中具有信息嵌入的能力、结构和复合性。

Aug, 2020

该研究提出了一种基于无监督学习和深度神经网络的终端到终端学习框架，结合自编码器和最大均值差异损失来学习语义和视觉特征的联合嵌入，实现了跨域多模态表示的提取，并构建了更全面的标记和未标记数据的嵌入，帮助从归纳到传导的范围内解决零样本和少样本图像识别和检索等各种复杂任务。

Mar, 2017

本论文提出了基于领域自适应的方法，将无监督训练样本中的领域信息作为辅助信息，采用学习的鉴别性领域嵌入构建领域自适应模型，用于即使在未见过领域上的预测任务。该方法在各种领域泛化基准上均实现了最先进的性能，并引入了首个现实世界的大规模领域泛化基准 Geo-YFCC，相对于现有的方法，该基于领域自适应的方法在该数据集上实现了显着的优化。

Mar, 2021

该研究提出了一种跨不同领域和任务学习可转移表示的框架，借助度量学习的方法为新任务和领域泛化嵌入，通过对抗损失解决了域偏移问题，在标记源数据和目标域中的未标记或稀疏标记的数据上进行同时优化。该方法在只有每类很少标记实例的情况下，对新领域内的新类提供了令人信服的结果，优于现有的微调方法，并证明了该框架在从图像对象识别到视频动作识别的转移学习任务中的有效性。

Nov, 2017

本文提出了一个视觉监督领域适应和泛化深度模型的统一框架，利用孪生网络结构来学习判别性嵌入子空间，通过点对代理的分布距离和相似性来解决少量目标数据样本标注的情况下，语义概率分布的对齐与分离问题。研究表明该方法在快速自适应方面的优势表现出来，并且只需要极少量的标注目标训练样本，甚至每个类别仅需一个标注样本就可以发挥有效性。此外，该方法还可扩展到领域泛化，并且实验证明该方法在两个应用领域都有很好的效果。

Sep, 2017

本文提出了一种新的无监督领域泛化方法，通过利用自监督学习的 Bridge Across Domains 辅助桥接，从多个训练领域学习语义保留的图像到图像映射，使得各个领域能够在语义上对齐，包括在多领域数据集上无监督泛化到看不见的领域和类别等多个任务方面都取得了显著进展。

Dec, 2021

通过融合图像和文本的多模态图形表示，我们通过考虑图像和文本描述符之间内在的语义结构得到领域不变的关键嵌入，从而实现领域泛化问题中的域不变特征学习。我们的模型在 CUB-DG 和 DomainBed 等大规模公共数据集上实验，取得了与或更好于这些数据集上的最新性能。

Oct, 2023